织物疵点检测：局部统计与全局显著性的融合策略

本文主要探讨了一种基于局部统计特征与整体显著性的织物疵点检测算法，该算法旨在提高复杂纹理和多种缺陷织物图像的检测效率。作者团队来自中原工学院电子信息学院，他们针对纺织图像中的瑕疵检测问题提出了创新方法。 首先，作者将织物图像划分为大小相等的图像块，这是为了更好地处理局部信息。他们利用局部二进制模式（Local Binary Pattern, LBP）和灰度直方图两种统计特征提取技术，这两种方法能够捕捉到图像块内的纹理细节和亮度分布，从而提取出丰富的局部特征。LBP通过比较像素与其周围邻域的差异来构建一个二进制代码，而灰度直方图则记录了图像块内灰度级的频率分布。 接下来，对于每个图像块，算法随机选取K个其他图像块作为上下文，通过计算局部二进制模式统计特征对比度和灰度统计特征对比度，这一步骤融合了局部特征之间的差异，以便更全面地理解图像的结构和纹理变化。这种上下文的整体显著性分析是关键，它可以帮助区分正常纹理区域与可能存在的疵点区域，增强视觉上的显著性。 然后，算法应用基于迭代最优阈值分割的方法对生成的视觉显著图进行处理。这种分割策略允许算法在不同尺度和对比度上寻找最佳的阈值，以最大程度地分离出疵点区域，同时保留图像的自然边界。 最后，实验结果显示，这种结合局部统计特征和全局上下文信息的算法有效地突出了织物疵点区域，提高了织物疵点的检测精度，尤其在复杂的纹理背景下表现出了优越的性能。论文的关键词包括：织物图像、疵点检测、局部二进制模式、灰度直方图以及随机显著性分析。整个方法具有较高的实用性和通用性，对于纺织工业的质量控制和自动化检测有着重要的实际价值。 总结来说，这篇研究论文提供了一种新颖的织物疵点检测技术，它通过巧妙地结合局部统计特征和整体显著性分析，克服了复杂纹理带来的挑战，为纺织品质量控制领域带来了一种高效且准确的解决方案。